Medical Image DiseaseDetection Model CNN

and this is My Project

Highlight Penelitian

CNN Model

Model CNN mencapai akurasi validasi hingga 96% dalam klasifikasi X-ray paru-paru sebagai "Normal" atau "Pneumonia".

✅
Streamlit UI

Dikembangkan dengan Streamlit, aplikasi memungkinkan prediksi real-time hanya dengan mengunggah citra X-ray.

✅
Evaluation

Evaluasi dengan grafik akurasi dan loss menunjukkan performa model stabil dan minim overfitting.

✅
GradCAM Plan

Rencana pengembangan mencakup integrasi Grad-CAM dan transfer learning (ResNet/EfficientNet) untuk akurasi dan interpretabilitas yang lebih baik.

✅

My Resume

Research Objectives

Desember 2024

Prediksi Risiko Penyakit Jantung

Mengembangkan model Machine Learning menggunakan Random Forest untuk prediksi dini risiko penyakit jantung dengan akurasi 83.6%.

Machine Learning Project
Desember 2024

Analisis Fitur Utama

Mengidentifikasi fitur paling berpengaruh seperti Oldpeak, Thalach, dan Chest Pain Type dalam proses klasifikasi risiko penyakit.

Feature Engineering
Desember 2024

Evaluasi Kinerja Model

Mengevaluasi performa model dengan confusion matrix, precision, recall, dan F1-score dengan hasil seimbang di sekitar angka 0.84.

Model Validation
Desember 2024

Dukungan Pengambilan Keputusan Medis

Menyediakan insight berbasis data untuk membantu tenaga medis dalam pengambilan keputusan secara lebih akurat dan efisien.

Health Decision Support

Research Methods

Step 1

Pengumpulan Dataset

Menggunakan dataset Heart Disease dari Kaggle dengan 303 sampel pasien dan 14 fitur klinis.

Data Source
Step 2

Preprocessing Data

Melakukan pembersihan data, normalisasi, dan pembagian menjadi training set dan testing set.

Data Cleaning
Step 3

Modeling Machine Learning

Membangun model dengan Random Forest Classifier menggunakan Scikit-Learn dan mengevaluasi performanya.

Model Building
Step 4

Evaluasi Model

Menggunakan metrik akurasi, confusion matrix, precision, recall, dan F1-score untuk mengukur kinerja model.

Model Evaluation
Step 5

Visualisasi & Interpretasi

Visualisasi important features dan performa model menggunakan Matplotlib dan Seaborn untuk mendukung interpretasi hasil.

Data Visualization
Image placeholder

About My Project

Proyek ini bertujuan untuk membangun sistem prediksi risiko penyakit jantung dengan memanfaatkan algoritma Random Forest Classifier. Sistem ini dikembangkan berdasarkan dataset kesehatan yang berisi 14 fitur penting pasien untuk memberikan diagnosis awal secara otomatis.

Tujuan utama dari proyek ini adalah membantu tenaga medis dalam proses pengambilan keputusan klinis dengan memberikan wawasan berbasis data yang akurat, cepat, dan mudah dipahami. Dengan pendekatan ini, diharapkan dapat meminimalisir keterlambatan diagnosis dan meningkatkan kualitas layanan kesehatan.

Saya percaya bahwa teknologi seperti Artificial Intelligence dan Machine Learning dapat menjadi solusi revolusioner untuk permasalahan kesehatan masyarakat. Proyek ini merupakan langkah awal saya dalam menggabungkan teknologi dan kepedulian sosial demi masa depan yang lebih baik.

Hire Me Lihat Project

Research Results

Image placeholder

“Model Random Forest Classifier berhasil mencapai akurasi sebesar 96% dalam mengklasifikasikan risiko penyakit jantung berdasarkan data pasien.”

— Anggara Putra Meldyantono Profil
Image placeholder

“Sistem memperoleh F1-Score sebesar 0.96, mencerminkan keseimbangan optimal antara nilai presisi dan recall dalam mendeteksi pasien berisiko.”

— Anggara Putra Meldyantono Profil
Image placeholder

“Fitur yang paling berkontribusi terhadap prediksi antara lain: usia pasien, tekanan darah, kadar kolesterol, serta detak jantung maksimum.”

— Anggara Putra Meldyantono Profil

My Skill

Machine Learning & Data Preprocessing

Membangun model prediksi penyakit jantung menggunakan algoritma Random Forest Classifier. Menerapkan teknik preprocessing seperti normalisasi, encoding, dan pembagian data untuk mendapatkan performa optimal.

Learn More

Model Evaluation & Optimization

Melakukan evaluasi dengan metrik seperti accuracy, precision, recall, dan F1-Score. Mengatasi masalah overfitting dengan validasi silang, pemilihan fitur penting, dan pengaturan parameter model untuk menguji hasil agar dapat bekerja secara maksimal.

Learn More

Scientific Writing & Public Presentation

Menyusun jurnal ilmiah yang memuat metodologi, eksperimen, dan hasil penelitian. Mempresentasikan proyek dengan pendekatan visualisasi data dan bahasa yang mudah dipahami oleh masyarakat luas maupun akademisi.

Learn More

Benefits & Implementation

Image placeholder

Prediksi Dini Risiko Penyakit Jantung

Model ini membantu rumah sakit dan klinik dalam mendeteksi risiko penyakit jantung sejak dini dengan menganalisis data medis pasien seperti tekanan darah, kolesterol, dan usia, sehingga pengambilan keputusan medis bisa lebih cepat dan akurat.

Feb 5, 2025 3 Comments
Image placeholder

Algoritma Random Forest dengan Akurasi Tinggi

Dengan pendekatan Random Forest dan validasi silang, sistem menghasilkan akurasi prediksi yang tinggi. Metode ini juga mampu mengurangi overfitting, meningkatkan generalisasi, dan memberikan informasi penting.

Feb 5, 2025 4 Comments
Image placeholder

Skalabilitas untuk Big Data Medis

Sistem dirancang untuk menangani dataset medis berskala besar dan kompleks. Cocok diimplementasikan pada rumah sakit besar dan pusat riset kesehatan, memungkinkan integrasi dengan sistem EHR (Electronic Health Records) yang ada.

Feb 5, 2025 2 Comments

Get In Touch

Get In Touch

Send Message

My Contact Details